基于CNN的海空目标检测

2012-04-17 16:05:26来源: 中电网

1 引言

舰船航行在大海上,主要面临来自空中,海面和水下的威胁,其中空中的威胁最大。这些目标的主要特点是运动速度高,机动频繁,其背景也比较复杂,受云层、烟雾、波浪、飞鸟、山峰等影响较大。传感器如热像仪、电视摄像机、激光测距机等自身带有噪声,另外还会有各种形式的干扰,这些都给目标的识别与跟踪带来很大困难。因此寻找一种能实时对图像信号处理的、抗干扰的,并且适合大规模硬件开发与实现的算法是军事界至今没有完美解决的难题之一。

元(细)胞神经网络(Cellular Neural Networks,CNN),是由加州伯克利大学的华裔学者蔡绍棠教授在1988年提出来的一种局域连接、权可设计的人工神经网络。而后关于CNN的各种理论,算法,改进与应用以及硬件实现等如同雨后春笋般出现。现在CNN在图像、通信、混沌控制、交通、医学等领域都有着广泛的应用。CNN用于图像的处理,例如降噪、分割、特征提取、空洞填充、细化、阴影检测、模式识别、目标跟踪,机器人视觉,水印加密等,比传统的方法更具潜力。CNN结构的局部耦合性对于处理具有混沌性质的背景下的海空光电目标图像具有较大的匹配性。本文主要描述了CNN的理论基础和他应用于图像处理的思想,并给出了算法实现的步骤,然后用Matlab语言编程进行仿真实验,以对海空目标的检测为例,将他与经典的方法进行比较,分析各自的优缺点,最后提出了本算法需要改进的地方。

2 图像目标检测的CNN模型

CNN的基本组成单元是元胞(Cell),每个元胞只同他周围r邻域的元胞相接,连接的个数Nr=((2r+1)2-1)。如图1所示为一个3×3规模的CNN网络结构。用C(i,j)表示第i行、第j列的元胞。C(i,j)只与C(i+1,j),C(i-1,j),C(i,j+1),C(i,j-1),C(i+1,j+1),C(i+1,j-1),C(i-1,j+1),C(i-1,j-1)等8个元胞相连。如图2所示,每个元胞都有一个状态vxij,一个恒定的输入vuij,一个输出vyij,门限I。标准CNN的状态方程可用下述一阶非线性微分方程描述:

其中,1≤i≤M,1≤j≤N。α,β,I,Eij为大于0的常数。vukl表示C(i,j)邻近元胞的输入,vykl表示C(i,j)邻近元胞的输出,A(i,j;k,l)表示C(k,l)的输出与C(i,j)的联接权,B(i,j;k,l)表示C(k,l)的输入与C(i,j)的联接权。式(3)表示输出与状态的关系。

[1] [2] [3]

关键字:CNN  海空目标检测

编辑:什么鱼 引用地址:http://www.eeworld.com.cn/Test_and_measurement/2012/0417/article_5012.html
本网站转载的所有的文章、图片、音频视频文件等资料的版权归版权所有人所有,本站采用的非本站原创文章及图片等内容无法一一联系确认版权者。如果本网所选内容的文章作者及编辑认为其作品不宜公开自由传播,或不应无偿使用,请及时通过电子邮件或电话通知我们,以迅速采取适当措施,避免给双方造成不必要的经济损失。
论坛活动 E手掌握
微信扫一扫加关注
论坛活动 E手掌握
芯片资讯 锐利解读
微信扫一扫加关注
芯片资讯 锐利解读
推荐阅读
全部
CNN
海空目标检测

小广播

独家专题更多

富士通铁电随机存储器FRAM主题展馆
富士通铁电随机存储器FRAM主题展馆
馆内包含了 纵览FRAM、独立FRAM存储器专区、FRAM内置LSI专区三大部分内容。 
走,跟Molex一起去看《中国电子消费品趋势》!
走,跟Molex一起去看《中国电子消费品趋势》!
 
带你走进LED王国——Microchip LED应用专题
带你走进LED王国——Microchip LED应用专题
 
电子工程世界版权所有 京ICP证060456号 京ICP备10001474号 电信业务审批[2006]字第258号函 京公海网安备110108001534 Copyright © 2005-2016 EEWORLD.com.cn, Inc. All rights reserved